TensorFlow 2.0中real_valued_column等函数的替代位置及用法咨询

TensorFlow 2.x 移除了tf.contrib模块，你提到的两个函数可通过以下方案替代：

数值型列（替代tf.contrib.layers.real_valued_column） #

TF2.x 无需专门的列封装处理数值特征，直接将数值数据转为张量输入模型即可。若需预处理（如标准化），可搭配Keras预处理层：

基础用法 #

# 定义数值输入层（假设包含5个数值特征）
numeric_input = tf.keras.layers.Input(shape=(5,), name='numeric_features')
# 直接接入后续全连接层
x = tf.keras.layers.Dense(64, activation='relu')(numeric_input)

带标准化预处理 #

# 初始化标准化层并拟合训练数据的统计量
normalizer = tf.keras.layers.Normalization(axis=-1)
normalizer.adapt(your_numeric_training_data)

# 定义输入并应用标准化
numeric_input = tf.keras.layers.Input(shape=(5,))
normalized_input = normalizer(numeric_input)
x = tf.keras.layers.Dense(64, activation='relu')(normalized_input)

类别型哈希分桶列（替代tf.contrib.layers.sparse_column_with_hash_bucket） #

用tf.keras.layers.Hashing实现哈希分桶，搭配Embedding层生成类别特征的嵌入向量，适合高基数类别特征：

单类别特征处理 #

# 定义类别输入层（支持字符串或整数类型）
categorical_input = tf.keras.layers.Input(shape=(1,), dtype=tf.string, name='categorical_feature')
# 哈希分桶（指定1000个桶）
hashed_feature = tf.keras.layers.Hashing(num_bins=1000)(categorical_input)
# 生成嵌入向量（维度设为32）
embedding = tf.keras.layers.Embedding(input_dim=1000, output_dim=32)(hashed_feature)
# 展平后接入后续网络
x = tf.keras.layers.Flatten()(embedding)

多特征拼接（数值+多类别） #

# 处理数值特征
numeric_input = tf.keras.layers.Input(shape=(5,))
normalizer = tf.keras.layers.Normalization(axis=-1)
normalizer.adapt(your_numeric_data)
normalized_numeric = normalizer(numeric_input)

# 处理第一个类别特征
cat1_input = tf.keras.layers.Input(shape=(1,), dtype=tf.string)
hashed_cat1 = tf.keras.layers.Hashing(num_bins=500)(cat1_input)
embed_cat1 = tf.keras.layers.Embedding(500, 16)(hashed_cat1)
flat_cat1 = tf.keras.layers.Flatten()(embed_cat1)

# 处理第二个类别特征
cat2_input = tf.keras.layers.Input(shape=(1,), dtype=tf.string)
hashed_cat2 = tf.keras.layers.Hashing(num_bins=1000)(cat2_input)
embed_cat2 = tf.keras.layers.Embedding(1000, 32)(hashed_cat2)
flat_cat2 = tf.keras.layers.Flatten()(embed_cat2)

# 拼接所有特征
concatenated_features = tf.keras.layers.concatenate([normalized_numeric, flat_cat1, flat_cat2])
# 后续网络层
x = tf.keras.layers.Dense(64, activation='relu')(concatenated_features)

可选：使用TF2.x 特征列API #

若习惯特征列写法，可使用tf.feature_column模块，对应替代如下：

• 数值列：tf.feature_column.numeric_column（替代real_valued_column）
• 哈希分桶类别列：tf.feature_column.categorical_column_with_hash_bucket（替代sparse_column_with_hash_bucket）

示例代码：

# 定义数值列
numeric_col = tf.feature_column.numeric_column('numeric_feature', shape=(5,))
# 定义哈希分桶类别列
hash_cat_col = tf.feature_column.categorical_column_with_hash_bucket(
    'categorical_feature', hash_bucket_size=1000)
# 转换为嵌入列
embed_col = tf.feature_column.embedding_column(hash_cat_col, dimension=32)

# 组合特征列
feature_columns = [numeric_col, embed_col]
# 构建特征层接入模型
feature_layer = tf.keras.layers.DenseFeatures(feature_columns)
inputs = {
    'numeric_feature': tf.keras.layers.Input(shape=(5,), dtype=tf.float32),
    'categorical_feature': tf.keras.layers.Input(shape=(1,), dtype=tf.string)
}
x = feature_layer(inputs)
x = tf.keras.layers.Dense(64, activation='relu')(x)

内容的提问来源于stack exchange，提问作者Carlos Leon